[논문 리뷰] ECG for high-throughput screening of multiple diseases: Proof-of-concept using multi-diagnosis deep learning from population-based datasets

Weijie Sun, Sunil V. Kalmady외 6명|arXiv (Cornell University)|2022. 10. 06.

ECG Monitoring and Analysis인용 수 6

한 줄 요약

이 연구는 250,000명 이상의 환자와 200만 건의 심전도를 포함한 대규모 인구 데이터셋을 활용해, 단일 병원 내 심전도를 통해 심혈관 질환을 포함한 120종 이상의 질환을 딥러닝 모델로 예측할 수 있음을 입증한다. ICD 코드 128개와 68개의 질환군에서 AUROC가 80% 이상을 기록했으며, 이는 심전도가 다수 질환에 대한 고속 스크리닝 잠재력을 지닌다는 것을 시사하지만, 유병률이 낮은 질환에 대해서는 정밀도가 제한되어 있다.

ABSTRACT

Electrocardiogram (ECG) abnormalities are linked to cardiovascular diseases, but may also occur in other non-cardiovascular conditions such as mental, neurological, metabolic and infectious conditions. However, most of the recent success of deep learning (DL) based diagnostic predictions in selected patient cohorts have been limited to a small set of cardiac diseases. In this study, we use a population-based dataset of >250,000 patients with >1000 medical conditions and >2 million ECGs to identify a wide range of diseases that could be accurately diagnosed from the patient's first in-hospital ECG. Our DL models uncovered 128 diseases and 68 disease categories with strong discriminative performance.

연구 동기 및 목표

• 심전도 신호가 심혈관 질환을 초월한 다양한 질환의 진단에 구분 가능한 정보를 담고 있는지 조사하기 위해
• 첫 번째 병원 내 심전도에서 다수의 ICD 코드 질환을 예측할 수 있는 딥러닝 모델을 개발하고 검증하기 위해
• 실제 인구 기반 의료 데이터를 활용해 다양한 질환군에서 모델의 일반화 능력과 강건성을 평가하기 위해
• 예측 성능을 바탕으로 향후 목표 지정된 심전도 기반 진단 연구를 위한 질환 후보를 특정하기 위해

제안 방법

• 연구는 2007~2020년 동안 26개 앨버타 병원에서 수집한 260,065명의 환자 데이터셋을 사용했으며, ICD-10 진단 코드와 연결된 12-lead 심전도 2,015,808건을 포함한다.
• 데이터 정제 및 제외 조건(예: 낮은 신호 품질, pace maker 존재, 연령 <18세)을 거친 후, 239,852명의 환자로부터의 1,514,968건의 심전도가 모델링에 사용되었다.
• 잔차 신경망(ResNet 기반) 아키텍처가 12-lead 심전도를 처리했으며, 연령과 성별 특징은 다중 레이블 분류를 위해 최종 밀집층에 연결되었다.
• 모델은 이진 교차 엔트로피 손실, Adam 옵timizer(초기 학습률 0.001), 배치 정규화, ReLU, 드롭아웃을 사용해 정규화하였다.
• 모델은 내부 60% 데이터셋으로 학습하고 외부 40% 보류 세트로 검증했으며, 양 세트 간 환자 중복 없이 진행되었다.
• 성능 평가에는 AUROC와 AUPRC를 사용했으며, 최종적으로 AUROC > 80% 및 AUPRC ≥ 5% 또는 정밀도가 최소 20배 유병률 이상인 레이블을 선정하였다.

실험 결과

연구 질문

• RQ1 대규모 인구 심전도 및 진단 데이터를 기반으로 훈련된 딥러닝 모델이 단일 심전도에서 심혈관 질환을 초월한 다양한 질환을 예측할 수 있는가?
• RQ2 AUROC 및 정밀도-재현율 지표로 측정했을 때, 어떤 질환이 심전도 신호에서 높은 구분 능력을 보였는가?
• RQ3 모델 예측 성능가 외부 독립 검증 세트의 환자 및 심전도에 대해 얼마나 잘 일반화되는가?
• RQ4 모델 예측 결과가 실제 병리적 연관성을 반영하는가, 아니면 공존 질환, 약물, 인구 통계적 요인 등에 의해 왜곡되는가?

주요 결과

• 모델은 외부 검증에서 128개의 ICD-10 코드와 68개의 ICD 카테고리에서 AUROC > 80%를 기록하여 다양한 질환 유형에서 강력한 구분 능력을 입증했다.
• 40개의 ICD-10 코드와 16개의 ICD 카테고리에서 외부 검증 시 AUROC > 90%를 기록하여 특정 질환에 대해 높은 민감도와 특이도를 보였다.
• 강력한 AUROC에도 불구하고, 대부분의 질환에서 정밀도가 낮았는데, 이는 유병률이 낮기 때문이었다(89.8%의 질환에서 양성 심전도 비율이 1% 미만). 이는 '확진' 진단에 대한 임상적 유용성이 제한됨을 의미한다.
• 모델은 외부 병원에서도 성능을 유사하게 유지하여 일반화 잠재력이 있음을 입증했지만, 추가 검증이 필요하다.
• 최고 성능을 보인 질환들은 신경계, 대사, 감염성, 신장 질환 등 다양한 ICD 부문에 걸쳐 분포해 있어, 심전도의 광범위한 진단 잠재력을 시사한다.
• 이 연구는 향후 집중적인 심전도 기반 연구를 위한 128개의 질환 후보를 도출했으며, 이는 다수 질환 스크리닝을 위한 발견 도구로서의 방법론의 가치를 입증한다.